FLAIR2 post-processing: improving MS lesion detection in standard MS imaging protocols
Notice bibliographique
Résumé
Abstract Background Technical improvements in magnetic resonance imaging (MRI) acquisition, such as higher field strength and optimized sequences, lead to better multiple sclerosis (MS) lesion detection and characterization. Multiplication of 3D-FLAIR with 3D-T2 sequences (FLAIR 2 ) results in isovoxel images with increased contrast-to-noise ratio, increased white–gray-matter contrast, and improved MS lesion visualization without increasing MRI acquisition time. The current study aims to assess the potential of 3D-FLAIR 2 in detecting cortical/leucocortical (LC), juxtacortical (JC), and white matter (WM) lesions. Objective To compare lesion detection of 3D-FLAIR 2 with state-of-the-art 3D-T2-FLAIR and 3D-T2-weighted images. Methods We retrospectively analyzed MRI scans of thirteen MS patients, showing previously noted high cortical lesion load. Scans were acquired using a 3 T MRI scanner. WM, JC, and LC lesions were manually labeled and manually counted after randomization of 3D-T2, 3D-FLAIR, and 3D-FLAIR 2 scans using the ITK-SNAP tool. Results LC lesion visibility was significantly improved by 3D-FLAIR 2 in comparison to 3D-FLAIR (4 vs 1; p = 0.018) and 3D-T2 (4 vs 1; p = 0.007). Comparing LC lesion detection in 3D-FLAIR 2 vs. 3D-FLAIR, 3D-FLAIR 2 detected on average 3.2 more cortical lesions (95% CI − 9.1 to 2.8). Comparing against 3D-T2, 3D-FLAIR 2 detected on average 3.7 more LC lesions (95% CI 3.3–10.7). Conclusions 3D-FLAIR 2 is an easily applicable time-sparing MR post-processing method to improve cortical lesion detection. Larger sampled studies are warranted to validate the sensitivity and specificity of 3D-FLAIR 2 .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».